应用介绍
2023年谷歌Robotics团队的RT-1打响VLA第一枪，用人类操作示范构建多模态训练集，以图像、语言指令和连续控制信号作为输入，训练机器人理解语言并直接输出动作。后续RT-2又把CLIP等视觉语言基础模型引入控制流程中，基本奠定了“图像+语言+动作”统一建模的VLA基线，成为具身智能和自动驾驶的新希望。
2023年谷歌Robotics团队的RT-1打响VLA第一枪，用人类操作示范构建多模态训练集，以图像、语言指令和连续控制信号作为输入，训练机器人理解语言并直接输出动作。后续RT-2又把CLIP等视觉语言基础模型引入控制流程中，基本奠定了“图像+语言+动作”统一建模的VLA基线，成为具身智能和自动驾驶的新希望。
